针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战,本研究提出一种复合神经网络模型,用于预测产生了截断的脉冲高度。该模型将长短期记忆模型(Long and Short-term Memory,LSTM)嵌入UNet结构,采用模拟脉冲数据集对模型进行训练...针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战,本研究提出一种复合神经网络模型,用于预测产生了截断的脉冲高度。该模型将长短期记忆模型(Long and Short-term Memory,LSTM)嵌入UNet结构,采用模拟脉冲数据集对模型进行训练,使用相对误差指标对模型性能进行评估。结果显示:在对模拟脉冲序列进行脉冲高度估计时,UNet-LSTM模型的平均相对误差约为2.31%,相较于传统的梯形成形算法的平均相对误差降低了1.91%;在粉末铁矿样品和粉末岩石样品的实际测量中,不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能,在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%,表明该模型可以准确估计截断脉冲的高度。展开更多
文摘建立基于VGG16预训练模型的睑板腺缺失程度识别系统.收集福建医科大学附属第二医院2015年1月至2020年12月2 000例患者的睑板腺图像.通过图像预处理、标注、裁剪等构建4 364张睑板腺MGH小数据集.利用VGG16的迁移学习方法,在小样本情况下进行睑板腺缺失程度识别,并探讨不同优化方法、学习率、迭代次数、批量大小、数据集划分比例对识别准确率的影响.当优化器为Adam、学习率为10-5、批量大小为60、迭代次数为100、训练集测试集比例为7∶3时,模型识别效果最好,准确率为90%,模型评估每张图不超于3 s.
文摘针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战,本研究提出一种复合神经网络模型,用于预测产生了截断的脉冲高度。该模型将长短期记忆模型(Long and Short-term Memory,LSTM)嵌入UNet结构,采用模拟脉冲数据集对模型进行训练,使用相对误差指标对模型性能进行评估。结果显示:在对模拟脉冲序列进行脉冲高度估计时,UNet-LSTM模型的平均相对误差约为2.31%,相较于传统的梯形成形算法的平均相对误差降低了1.91%;在粉末铁矿样品和粉末岩石样品的实际测量中,不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能,在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%,表明该模型可以准确估计截断脉冲的高度。